深度学习练手项目（一）-----利用PyTorch实现MNIST手写数字识别(1)

最后

这份文档从构建一个键值数据库的关键架构入手，不仅带你建立起全局观，还帮你迅速抓住核心主线。除此之外，还会具体讲解数据结构、线程模型、网络框架、持久化、主从同步和切片集群等，帮你搞懂底层原理。相信这对于所有层次的Redis使用者都是一份非常完美的教程了。

整理不易，觉得有帮助的朋友可以帮忙点赞分享支持一下小编~

你的支持，我的动力；祝各位前程似锦，offer不断！！！

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

test_loader = torch.utils.data.DataLoader(

datasets.MNIST(‘data’, train=False, transform=transforms.Compose([

transforms.ToTensor(),

transforms.Normalize((0.1307,), (0.3081,))

])),

batch_size=BATCH_SIZE, shuffle=True)

3.3 搭建深度学习网络模型

class ConvNet(nn.Module):

def init(self):

super().init()

batch128*28（每次会送入batch个样本，输入通道数1（黑白图像），图像分辨率是28x28）

下面的卷积层Conv2d的第一个参数指输入通道数，第二个参数指输出通道数，第三个参数指卷积核的大小

self.conv1 = nn.Conv2d(1, 10, 5) # 输入通道数1，输出通道数10，核的大小5

self.conv2 = nn.Conv2d(10, 20, 3) # 输入通道数10，输出通道数20，核的大小3

下面的全连接层Linear的第一个参数指输入通道数，第二个参数指输出通道数

self.fc1 = nn.Linear(201010, 500) # 输入通道数是2000，输出通道数是500

self.fc2 = nn.Linear(500, 10) # 输入通道数是500，输出通道数是10，即10分类

def forward(self,x):

in_size = x.size(0) # 在本例中in_size=512，也就是BATCH_SIZE的值。输入的x可以看成是512128*28的张量。

out = self.conv1(x) # batch12828 -> batch102424（28x28的图像经过一次核为5x5的卷积，输出变为24x24）

out = F.relu(out) # batch1024*24（激活函数ReLU不改变形状））

out = F.max_pool2d(out, 2, 2) # batch102424 -> batch101212（2*2的池化层会减半）

out = self.conv2(out) # batch101212 -> batch201010（再卷积一次，核的大小是3）

out = F.relu(out) # batch2010*10

out = out.view(in_size, -1) # batch201010 -> batch2000（out的第二维是-1，说明是自动推算，本例中第二维是201010）

out = self.fc1(out) # batch2000 -> batch500

out = F.relu(out) # batch*500

out = self.fc2(out) # batch500 -> batch10

out = F.log_softmax(out, dim=1) # 计算log(softmax(x))

return out

3.4 确定要使用的优化算法

这里使用简单粗暴的Adam

model = ConvNet().to(DEVICE)

optimizer = optim.Adam(model.parameters())

3.5 定义训练函数

def train(model, device, train_loader, optimizer, epoch):

model.train()

for batch_idx, (data, target) in enumerate(train_loader):

data, target = data.to(device), target.to(device)

optimizer.zero_grad()

output = model(data)

loss = F.nll_loss(output, target)

loss.backward()

optimizer.step()

if(batch_idx+1)%30 == 0:

print(‘Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}’.format(

epoch, batch_idx * len(data), len(train_loader.dataset),

100. • batch_idx / len(train_loader), loss.item()))

3.6 定义测试函数

def test(model, device, test_loader):

model.eval()

test_loss = 0

correct = 0

with torch.no_grad():

for data, target in test_loader:

data, target = data.to(device), target.to(device)

如何快速更新自己的技术积累？

• 在现有的项目里，深挖技术，比如用到netty可以把相关底层代码和要点都看起来。
• 如果不知道目前的努力方向，就看自己的领导或公司里技术强的人在学什么。
• 知道努力方向后不知道该怎么学，就到处去找相关资料然后练习。
• 学习以后不知道有没有学成，则可以通过面试去检验。

我个人觉得面试也像是一场全新的征程，失败和胜利都是平常之事。所以，劝各位不要因为面试失败而灰心、丧失斗志。也不要因为面试通过而沾沾自喜，等待你的将是更美好的未来，继续加油！

以上面试专题的答小编案整理成面试文档了，文档里有答案详解，以及其他一些大厂面试题目

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)收录**

需要这份系统化的资料的朋友，可以点击这里获取